什么是FM模型對(duì)用戶分類

一.項(xiàng)目背景

    新零售時(shí)代背景下，商家要提升顧客的價(jià)值，讓20%的顧客貢獻(xiàn)80%的業(yè)績(jī)（二八定律），這就是超級(jí)用戶思維。超級(jí)用戶，是指對(duì)品
    牌認(rèn)可、購買頻次多、購買金額大且能給商家反饋意見、并能把產(chǎn)品推薦別人購買，對(duì)商家具有較高忠誠度、與商家建立起強(qiáng)關(guān)系的用戶。
該項(xiàng)目尋找的是準(zhǔn)超級(jí)用戶（FM模型，也即購買頻次多和購買金額大的客戶），為將來轉(zhuǎn)化為超級(jí)用戶打好基礎(chǔ)。

二.理論基礎(chǔ)

1.購買頻次篩選標(biāo)準(zhǔn)
    通過分組法，按買家賬號(hào)進(jìn)行分組，確定每個(gè)買家的購買頻次。然后按購買頻次進(jìn)行等距分組，統(tǒng)計(jì)每個(gè)頻次區(qū)間內(nèi)買家數(shù)量，找出人數(shù)差最大的兩個(gè)相鄰頻次區(qū)間并把這兩個(gè)相鄰區(qū)間的中間值作為購買頻次的篩選標(biāo)準(zhǔn)。
比如這兩個(gè)相鄰頻次區(qū)間是[3, 7), [7, 10), 選擇7作為購買頻次篩選標(biāo)準(zhǔn)。>=7的購買頻次被認(rèn)定為高購買頻次。該方法的思想是尋找第一個(gè)異常點(diǎn)，特別適合隨著頻次區(qū)間數(shù)值上的增加，人數(shù)遞減的情況，比如這樣的人數(shù)分布：
{[1, 3）:1000, [3, 5):550, [5, 7):230, [7, 9):96, [9, 11):22, [11, 13):6}

2.購買金額篩選標(biāo)準(zhǔn)
    通過箱線圖法，將購買金額排序，然后進(jìn)行四分位，得到三個(gè)分位數(shù)：Q1，Q2，Q3。接著按下面公式計(jì)算購買金額篩選標(biāo)準(zhǔn)：
V（購買金額篩選標(biāo)準(zhǔn)）=Q3+IQR_coefficient*IQR，其中IQR=Q3-Q1，IQR_coefficient的值可以自定義，一般選為1.5或3。
>=V的購買金額為高購買金額

三.實(shí)現(xiàn)步驟

1.獲取數(shù)據(jù)

import pandas as pd
import numpy as np

#獲取數(shù)據(jù)
def get_data(file_path):
    #讀取數(shù)據(jù)
    df=pd.read_excel(file_path,index=0)
    #篩選數(shù)據(jù)
    data=df[['買家賬號(hào)','已付金額']]
    #返回?cái)?shù)據(jù)
    return data
 
#獲取數(shù)據(jù)
data=get_data('./data.xlsx')
#查看數(shù)據(jù)
data.head()

2.處理數(shù)據(jù)

#處理數(shù)據(jù)
def process_data(df):
    #判斷是否有重復(fù)值
    if df.duplicated().sum()==0:
        print('沒有重復(fù)值')
    else:
        #計(jì)算重復(fù)數(shù)據(jù)數(shù)量
        len_dup=len(df[df.duplicated()==True])
        print(f'重復(fù)數(shù)據(jù)有{len_dup}條')
        #刪除重復(fù)值
        df.drop_duplicates(inplace=True)
    #判斷是否有缺失值
    if df.isnull().any().sum()==0:
        print('沒有缺失值')
    else:
        #計(jì)算缺失數(shù)據(jù)數(shù)量
        len_null=len(df[df.isnull().T.any()])
        print(f'缺失數(shù)據(jù)有{len_null}條')
        #刪除數(shù)據(jù)
        df.dropna(inplace=True)
    #返回?cái)?shù)據(jù)
    return df

#處理數(shù)據(jù)
data=process_data(data)
#查看數(shù)據(jù)
data.head()

3.按照分組標(biāo)準(zhǔn)對(duì)用戶分類

#獲取準(zhǔn)超級(jí)用戶
def before_superCustomer(data,coeff,bin_num):
    #統(tǒng)計(jì)客戶購買次數(shù)
    df1=data['買家賬號(hào)'].value_counts().reset_index().rename(columns={'index':'買家賬號(hào)','買家賬號(hào)':'購買頻次'})
    #統(tǒng)計(jì)客戶購買金額
    df2=data.groupby(['買家賬號(hào)'])['已付金額'].sum()
    #通過買家賬號(hào)連接數(shù)據(jù)，
    df=pd.merge(df1,df2,on='買家賬號(hào)')
    #篩選所需數(shù)據(jù)
    df_res=df[['買家賬號(hào)','購買頻次','已付金額']]
    #對(duì)購買頻詞進(jìn)行切分
    cut = pd.cut(df['購買頻次'], bins=bin_num)
    #統(tǒng)計(jì)購買頻詞
    top = pd.value_counts(cut)
    #獲取高度差值最大的兩個(gè)分組區(qū)間,前一個(gè)分組區(qū)間的右區(qū)間值用于高購買頻次客戶的評(píng)判標(biāo)準(zhǔn)
    top_index = top.diff().abs().values.argmax()
    #獲取四分之三分位數(shù)
    Q3 = df_res.describe()['已付金額'][6]
    #獲取四分之一分位數(shù)
    Q1 = df_res.describe()['已付金額'][4]
    #計(jì)算IQR
    IQR = Q3-Q1
    #獲取準(zhǔn)超級(jí)用戶購買金額最小值
    min_value = Q3 + 1.5* IQR
    # 根據(jù)高購買金額和高購買頻次用戶標(biāo)準(zhǔn)過濾用戶
    df_res=df_res[(df_res['購買頻次'] >top.index[top_index].right) & (df_res['已付金額'] >min_value)]
    #按照已付金額進(jìn)行降序排序
    df_res.sort_values('已付金額',ascending=False,inplace=True)
    #返回?cái)?shù)據(jù)
    return df_res

#對(duì)用戶進(jìn)行分類
df_res=before_superCustomer(data,3,16)
#查看數(shù)據(jù)
df_res.head()

4.對(duì)Top10用戶進(jìn)行可視化

import pyecharts.options as opts
from pyecharts.charts import Bar

#設(shè)置顏色
colors = ["#5793f3", "#d14a61"]
#x軸數(shù)據(jù)買家賬號(hào)
x_data = df_res.iloc[:10]['買家賬號(hào)'].tolist()
#設(shè)置圖例
legend_list = ["已付金額", "購買頻次"]
#y軸已付金額
customer_buy =df_res.iloc[:10]["已付金額"].round(2).tolist()
#y軸購買頻次
customer_count=df_res.iloc[:10]["購買頻次"].tolist()

#初始化
bar = (
    Bar(init_opts=opts.InitOpts(width="1000px", height="600px"))
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(
        series_name="已付金額",
        yaxis_data=customer_buy,
        yaxis_index=0,
        color=colors[1],
    )
    
    .add_yaxis(
        series_name="購買頻次",
        yaxis_data=customer_count, 
        yaxis_index=1, 
        color=colors[0]
    )
    
   .extend_axis(
        yaxis=opts.AxisOpts(
            name="購買頻次",
            type_="value",
            position="right",
            axisline_opts=opts.AxisLineOpts(
                linestyle_opts=opts.LineStyleOpts(color=colors[0])
            ),
            axislabel_opts=opts.LabelOpts(formatter="{value} 次"),
        )
    )
    .extend_axis(
        yaxis=opts.AxisOpts(
            name="已付金額",
            type_="value",
            position="left",
            axisline_opts=opts.AxisLineOpts(
                linestyle_opts=opts.LineStyleOpts(color=colors[1])
            ),
            axislabel_opts=opts.LabelOpts(),
        )
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),
    )
    
)

#加載顯示圖形
bar.render_notebook()

結(jié)論：應(yīng)加強(qiáng)和這些客戶溝通，盡可能提供個(gè)性化服務(wù)，讓它們發(fā)展為我們超級(jí)用戶